Большинство компаний так или иначе заявляют о себе в интернете — делают сайты, ведут соцсети, покупают рекламу и размещаются у блогеров. Все это требует вложений и иногда — немаленьких, поэтому бизнесу нужен инструмент, который позволял бы отслеживать, насколько эффективно расходуются деньги и какие каналы приводят больше всего людей. Веб-аналитика — это именно такой инструмент. 

Веб-аналитика — это способ понять, как пользователи взаимодействуют с сайтом, откуда они пришли и что делали. Она помогает отследить путь от первого посещения до целевого действия и оценить эффективность разных маркетинговых активностей. 

В этой статье расскажу про основы, которые надо знать, чтобы начать эффективно выстраивать веб-аналитику в своей компании: источники данных, способы сбора, метрики и особенности разных каналов привлечения клиентов. 

Источники данных

Центральный объект в веб-аналитике — это специализированные сервисы вроде Google Analytics, Яндекс Метрики или их open source аналогов. Именно с настройки этих сервисов и начинается работа веб-аналитика для большинства компаний.

Они выступают не как просто хранилища данных, а как готовые аналитические платформы с визуализациями, отчетами и возможностью интеграции с другими инструментами.

Для кого-то на настройке и отчетах из этих сервисов веб-аналитика и заканчивается, но обычно с ростом компании система становится сложнее и в нее добавляются все новые источники:

• рекламные кабинеты,

• CRM-системы,

• внутренние базы данных,

• всевозможные таблицы — локально хранящиеся файлы, Google Sheets и аналоги.

Усложнение системы ставит перед аналитиком и дата-инженером новые задачи: необходимость собрать и объединить данные из разных источников, а также разобраться, как работать с источниками трафика. 

Сбор данных

Мы знаем, где брать данные, но осталось решить, как это делать. Есть два подхода — настроить сбор на фронтенде или на бэкенде.

Сбор данных на фронтенде

На клиентской стороне сбор осуществляется с помощью JavaScript-кодов, встроенных в сайт. Они отслеживают:

• загрузки страниц (pageviews),

• клики по кнопкам и ссылкам,

• скроллы, наведение курсора,

• заполнение форм,

• пользовательские события (custom events), например, открытие модального окна или добавление товара в корзину

Раньше такие коды вставлялись вручную прямо в HTML-код страниц. Это было сложно поддерживать: любые изменения требовали участия разработчиков.

Сегодня этот процесс стал проще благодаря системам управления тегами — в первую очередь, Google Tag Manager (GTM). GTM — это контейнер, в который можно добавлять, редактировать и включать/отключать теги без доступа к коду сайта. Этим могут заниматься веб-аналитики или маркетологи, что ускоряет внедрение изменений и снижает нагрузку на разработчиков.

Также фронтенд-сбор позволяет сразу передавать данные в сторонние системы: Google Analytics, Facebook Pixel, TikTok Pixel, Hotjar и т.д.

Сбор данных на бэкенде

Серверная сторона (CMS, backend-фреймворки, API) может автоматически фиксировать поведение пользователей в логах и базах данных. Например:

• посещения страниц (через access-логи),

• длительность сессии,

• параметры URL (в том числе метки UTM),

• действия пользователя после авторизации,

• завершение транзакций, оформление заказов, подтверждение платежей,

• взаимодействие с внутренними сервисами (CRM, ERP).

Преимущество сбора на бэкенде — точность и безопасность. Эти данные нельзя заблокировать с помощью AdBlock, и они не зависят от настроек браузера пользователя. Именно на бэкенде лучше фиксировать важные бизнес-события: например, подтверждение покупки, начисление бонусов, статус доставки.

Однако такие данные требуют дополнительной обработки: нужно определять сессии, объединять события, строить пользовательские цепочки и настраивать атрибуцию. 

Каналы трафика и рекламы

Выбор оптимального канала привлечения пользователей с учетом рентабельности и масштабируемости — это задача маркетолога, а не аналитика. Но это не значит, что техническим специалистам совсем не нужно разбираться в этих вопросах.  Знание того, чем отличаются рекламные каналы, как они оплачиваются и насколько эффективно привлекают пользователей, помогает аналитикам:

• понимать, зачем бизнесу нужны те или иные данные;

• строить грамотную атрибуцию и корректно оценивать эффективность;

• выбирать подходящие метрики и модели анализа;

• предотвращать искажения данных (например, от ботов или случайных кликов).

Некоторые каналы, например партнерские и тизерные сети, при низкой стоимости могут приводить трафик очень низкого качества, а также нести репутационные риски — пользователи могут начать ассоциировать бренд с навязчивой или обманчивой рекламой.

Контекстная и медийная реклама масштабируются гибко и быстро: маркетолог может оперативно менять бюджет, тексты, изображения, параметры показа. Это создает особые требования к аналитике:

• для контекстной рекламы важно точно измерять конверсии и стоимость клиента;

• для медийной — рекламные кампании нужно мониторить и сравнивать в режиме реального времени, чтобы оперативно снимать и заменять рекламу, если она не дает результат. 

Также аналитик должен понимать особенности атрибуции для разных каналов.

UTM-метки

Один из способов отслеживания источников трафика — это UTM-метки. Они представляют собой параметры HTTP-запроса, которые указываются после вопросительного знака и разделяются знаком &.

Существуют 5 стандартных UTM-меток со своей логикой и иерархией:

• utm_source — источник трафика, любая площадка, где размещена ссылка (сайт/поисковая или рекламная система/соцсети/рассылки и т. д.)

• utm_medium — тип трафика, например, social для соцсетей, email для рассылок и т.д.,

• utm_campaign — рекламная кампания,

• utm_term — ключевая фраза, в основном используется в контекстной рекламе, 

• utm_content — элемент контента, помогает различать объявления или ссылки в рамках одной кампании.

Стандартные метки считываются сервисами веб-аналитики и отображаются в отчетах, но некоторые компании разрабатывают свои кастомные метки. Их Google Analytics или Яндекс Метрика уже не считают, и поэтому их надо будет парсить руками.

Атрибуция в контексте веб-аналитики

Итак, существует больше десятка разных каналов привлечения лидов, и ммало какие компании ограничиваются только одним. Поэтому получается, что пользователь может:

• перейти на сайт с разных рекламных объявлений,

• несколько раз кликнуть на баннеры в соцсетях и в поиске,

• возвращаться на сайт в течение нескольких дней по прямой ссылке или из закладок,

• в итоге совершить покупку.

Как понять, какой источник сконвертил лида? Ведь на пользователя повлияли сразу несколько касаний. Найти ответ помогают разные модели атрибуции — логики определения, какому источнику рекламы следует приписать целевое действие пользователя.

Стандартная атрибуция в Google Analytics

В GA 4 представлено 3 модели атрибуции:

• на основе данных (data-driven attribution),

• на основе последнего клика с учетом платных и бесплатных каналов,

• на основе последнего платного клика,

Data-Driven Attribution (DDA)

Это автоматическая модель, основанная на алгоритмах машинного обучения. Она учитывает несколько факторов, включая тип устройства и то, как пользователь взаимодействовал с объектами на странице. 

Модель оценивает, насколько каждый источник увеличивал вероятность покупки, и на основе этого алгоритм распределяет вклад между каналами. Учитываются действия не только совершивших целевое действие пользователей, но и тех, кто этого не сделал. Это позволяет GA 4 понять, какие факторы влияют на поведение пользователей и «подталкивают» их к конверсии. 

Атрибуция по последнему клику (платные и бесплатные каналы)  

Эта модель также называется «атрибуция по последнему непрямому клику». Тут суть в том, что конверсия приписывается последнему каналу, с которого пришел пользователь перед тем, как совершить ключевое действие. Прямой трафик при этом игнорируется. 

Пример:

Результат: заказ будет приписан сеансу №3 — последнему непрямому переходу. 

Атрибуция по последнему платному клику 

В этой модели атрибуции конверсия приписывается последнему переходу с Google Рекламы или с YouTube. Если платных переходов не было, то используется модель атрибуции по последнему непрямому клику.

Пример:

Результат: заказ будет приписан сеансу №4 — последнему платному переходу. Если бы его не было, то конверсия была бы приписана сеансу №3. 

Атрибуция в Яндекс Метрике 

Яндекс предлагает на выбор 4 модели атрибуции:  

• по первому источнику;

• по последнему;

• по последнему значимому;

• по последнему из рекламы в Яндекс Директе.

Атрибуция по последнему источнику не учитывает историю пользователя, и приписывает конверсию тому визиту, во время которого было совершено целевое действие. Все остальные модели запоминают, сколько раз и откуда человек заходил на сайт с учетом окна атрибуции. Если пользователь не заходил на сайт больше 90 дней, то история его «обнуляется», и новый переход после перерыва будет засчитан как первый.

Атрибуция по первому источнику приписывает заказ или иное целевое действие первому источнику, каким бы он ни был. Атрибуция по последнему значимому учитывает любые переходы, платные и бесплатные, кроме прямых, внутренних и из сохраненных страниц в браузере. Ну и последняя модель, по последнему по рекламе Яндекс Директа, работает так же, как аналогичная у Google.

Пример:

Рассмотрим пример, когда пользователь сначала перешел на сайт из поисковой выдачи, потом — кликнул на объявление Яндекс Директ, потом — пришел из email-рассылки и в конце концов — открыл какую-то другую страницу сайта, и уже с нее вышел на страницу, где совершил целевое действие. 

По таблице видно, какой из четырех переходов каждая из моделей посчитает приоритетным.

Разные модели помогают проанализировать разные показатели. Атрибуция по первому переходу показывает, какие источники приводят новых людей на сайт, а атрибуция по последнему значимому — какие из них лучше конвертят лидов в клиентов. Последний переход из Яндекс Директа позволяет оценить эффективность рекламы, а последний переход без учета истории пользователя рекомендуют использовать для технического анализа сайта. 

Пользователи и метрики для оценки их активности 

Мы привлекли пользователя и даже знаем, откуда именно он пришел, но этого для полноценной, информативной аналитики недостаточно. Нам нужно понимать, что он делал на сайте, и заодно связать данные о его активности из разных систем. 

Но для начала определим, что такое пользователь? Для сервисов веб-аналитики — это cookie-запись в браузере. Например, Google Analytics записывает уникальный идентификатор (Client ID) в cookie-файл браузера. Этот идентификатор сохраняется на устройстве пользователя.

Один и тот же человек, который зашел на сайт с разных браузеров или устройств, будет считаться разными пользователями. Зашел с Chrome — один пользователь, открыл сайт в Firefox — второй, с телефона — третий и так далее.

Самый очевидный способ объединить данные — ввести регистрацию на сайте, после которой пользователю будет присваиваться его персональный User ID. Он передается в сервис веб-аналитики, и действия с разных устройств и браузеров связываются в одну пользовательскую сессию.

Кроме идентификации пользователя, нам также важно отслеживать: 

• сеансы;

• целевые действия — регистрации, покупки и другие действия;

• конверсии (conversion rates): из сеанса в заказ, из регистрации в заказ и так далее;

• стоимость целевого действия. Чаще всего речь анализируют стоимость одного заказа (СPO) или действия вроде регистрации, клика и так далее (CPA);

• ROI — отношение дохода к расходам на рекламу;

• доля новых пользователей;

• доля отказов — визитов без активности, когда пользователь открыл всего одну страницу, не совершил никаких действий и провел на сайте меньше 15 секунд.

• доля подтвержденных заказов в CRM

Что такое сеанс?

Сеанс — это не просто момент от открытия до закрытия сайта. Закрытие вкладки браузера не отправляет никакого сигнала на сервер, поэтому системы веб-аналитики ориентируются на бездействие пользователя.

Правила определения окончания сеанса:

• 30 минут бездействия — сеанс считается завершенным.

• Переход с другой рекламной кампании (другая UTM-метка) также начинает новый сеанс, даже если предыдущий еще активен.

Тут важно отметить особенность Google. В Google Universal Analytics переход по новой UTM-метке инициировал новый сеанс. В GA4 такой механизм изменён — новый источник фиксируется, но не всегда создается новый сеанс. Это зависит от настроек модели атрибуции.

Связь данных между системами: особенности и сложности

Действия пользователя фиксируются сразу в нескольких системах — в сервисе веб-аналитики, рекламном кабинете, CRM. Чтобы получить точные данные, необходимо связать все эти записи друг с другом.

Но есть несколько проблем.

1. Везде используются разные идентификаторы. В рекламных кабинетах отслеживают Campaign ID, в сервисах веб-аналитики — Session ID/Client ID,  в CRM — Order ID. 

Решение: собирать несколько типов ID, чтобы более точно смэтчить пользователей и их действия: из GA4 подтягивать не только User ID, но  transaction ID, session ID и event ID.

2. Данные в сервисах и рекламных кабинетах, как правило, агрегированы, и имеют разную гранулярность. То есть они не показывают каждый сеанс отдельно, а количество сеансов за какой-то временной промежуток.

Решение: агрегация вверх и детализация вниз. 

При агрегация вверх мы создаем общий отчет за месяц со всеми данными из всех источников. Это простой подход, но при этом теряется детализация.

При детализация вниз мы берем данные за месяц и ведем расчеты исходя из предпосылки, что все сеансы стоили одинаково. Например, за месяц мы потратили 100 000 рублей и при этом насчитали 2000 сеансов — получается, что каждый стоит «стоил» 50 рублей.

Кроме технических вызовов, возникают и сложности, связанные с человеческим фактором. Обычно с тем, что бизнес-заказчик  не понимает, какие инсайты реалистично получить из накопленного массива данных, или не знает особенностей работы сервисов для аналитики.

Пример 1: бизнес может прийти с запросом: «Покажите, у кого выше конверсия — у мужчин или женщин, и какое CPO». 

В теории — у нас есть данные и о поле пользователей, и конверсиях, и о CPO. Но на деле:

• Пол пользователя есть только в CRM (и то не все его указывают).

• Конверсия (из сеанса в заказ) — считается в Google Analytics, но без данных о поле.

• CPO — на основе рекламных расходов, но мы не знаем, показывалась ли реклама мужчинам или женщинам.

В итоге  такой отчет будет некорректен, потому что наши источники не дают достаточно данных, чтобы делать достоверные выводы. 

Пример 2: вы провели рекламную кампанию — приводили пользователей из соцсетей на сайт. Когда вы берете отчет из VK, вы видите там данные об одной кампании, а вот в отчете из Google Analytics кампаний в те же даты уже две. 

А причина проста — менеджер по рекламе просто в какой-то момент поменял в рекламном кабинете название кампании. Там в отчете сохранилось только последнее название, а Google Analytics зафиксировал еще и предыдущее. В итоге данные рассинхронизировались.

Заключение

Знание основных инструментов и понятий веб-аналитики — это только первый шаг к созданию эффективной системы. Чтобы извлечь настоящую пользу, нужно уметь работать с данными: собирать, сопоставлять, проверять и интерпретировать. 

Чаще всего данные о пользователях и действиях хранятся в разных системах — веб-аналитика, CRM, рекламные платформы — и без объединения этих источников сложно получить полную картину. Важно не только настраивать передачу нужных ID между системами, но и видеть структуру за цифрами, учитывать ограничения каждой платформы и собирать сквозную аналитику. Это один из самых ценных навыков в современном маркетинге и управлении продуктом.